时间序列分析在阜阳市细菌性痢疾发病预测中的应用

目的探讨时间序列分析在细菌性痢疾发病预测中的应用,验证分析模型的可行性与适用性。方法利用阜阳市2009年1月～2013年6月细菌性痢疾发病资料,拟合自回归移动平均（ARIMA）模型,对阜阳市2013年7～11月各月发病情况进行预测评价。结果建立ARIMA（1,2,0）（0,1,0）12模型,预测结果基本符合实际发病变动趋势,验证了该模型的可行性。结论 ARIMA模型可用于模拟细菌性痢疾发病在时间序列上的变化趋势分析,并进行短期预测。     

ARIMA模型在阜阳市手足口病发病数预测中的应用

目的探讨应用求和自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)模型进行手足口病发病数的拟合和预测,为手足口病疫情预警提供依据。方法运用统计分析软件Eviews 5.0对阜阳市2009年1月至2013年10月的手足口病发病的月发病数进行模型拟合,根据所建立的最优模型对2013年11月和12月的手足口病月发病数进行预测,并与实际值进行比较。结果阜阳市手足口病发病以年为周期,一年中4~7月份出现发病高峰。手足口病预测模型ARIMA(1,0,1)(0,1,1)12,检验结果总体最好,2013年11月至12月的手足口病月发病数的预测值与实际值较为接近,预测相对误差分别为3.35%和3.16%,预测效果较好。结论 ARIMA(1,0,1)(0,1,1)12模型可作为阜阳市手足口病月发病数中短期预测的模型。     

ARIMA模型预测上海市手足口病发病趋势

目的采用ARIMA模型建立上海市手足口病发病预测模型。方法应用SPSS18.0软件对上海市2005-01/2010-06手足口病月发病率进行ARIMA模型建模拟合,并与实际发病率进行比较。结果 ARIMA（1,0,0）（0,1,0）12模型能很好地拟合既往时间段的发病序列,对2010-01/06的预测值符合上海市该病的发病率变动趋势。2011和2012年上海市手预测足口病的年发病率分别为235.32/10万和294.59/10万。结论 ARIMA模型能够较好模拟上海市手足口病在时间序列上的变动趋势,并对未来2年该病发病情况进行预测。     

ARIMA模型预测青岛市手足口病发病趋势

目的采用ARIMA模型对青岛市2013年手足口病发病趋势进行预测,为该病早期防控提供科学依据。方法应用SPSSl8．0软件对青岛市2008年1月-2013年2月的手足口病逐月发病数建立ARIMA模型。结果建立ARI—MA（1,0,0）（1,1,0）,摸型,其中BIC=12．338,Ljung—Box统计量检验残差序列为白噪声序列。结论ARIMA模型可用于手足口病发病的预测。     

求和自回归移动平均模型在武汉市手足口病疫情预测预警中的应用

目的探讨自回归移动平均模型在手足口病预测预警中的应用。方法利用武汉市2009-2013年手足口病月发病率数据,拟合ARIMA模型,对武汉市2014年1~8月各月发病率进行预测。结果 ARIMA(1,0,0)×(1,1,0)12能很好的拟合武汉市手足口病发病情况,模型预测结果基本符合实际发病变动趋势。结论 ARIMA模型可用于模拟手足口病发病在时间序列上的变化趋势,进行预测预警。     

ARIMA乘积季节模型在江西省手足口病发病预测中的应用

目的 建立江西省手足口病发病的ARIMA乘积季节模型并进行预测,探讨该模型在江西省手足口病早期预测预警中的可行性。方法 以江西省2008-2015年手足口病逐月发病数为基础,建立ARIMA乘积季节模型,利用2016年各月发病数对模型进行验证,得到最优模型后对2017年手足口病发病数进行预测。结果 本研究构建的江西省手足口病发病预测模型为ARIMA(2,1,1)(0,1,1)12,各项参数都有统计学意义(P<0.05),模型拟合优度检验获得BIC值最小为14.738,残序列为白噪声(Ljung-Box Q=14.738,P=0.362),实际值与拟合值的动态趋势基本吻合;2016年1-8月预测值与实际值相差较小,吻合度高;2017年手足口发病数预测值为49 353。结论 ARIMA(2,1,1)(0,1,1)12较好地模拟了江西省手足口病发病趋势,可用于江西省手足口病发病的短期预测。     

ARIMA模型在手足口病预测预警中的应用

目的研究时间序列分析在手足口病预测预警中的应用,并探讨提高模型预测准确性和实用性的思路。方法应用SPSS 18.0软件对深圳市盐田区2008年1月—2014年4月手足口病发病率进行ARIMA模型拟合,预测2014年5月-12月手足口病发病率。结果模型ARIMA（0,1,0）（0,1,1）12的参数估计值为0.761,t=2.552,P=0.013,经检验参数有统计学意义。且BIC=6.066,在拟合比较的模型中最小,故选定为最佳拟合模型。利用2013年10月—2014年4月实际发病数与预测发病数进行比较,实际值与预测值相对误差的中位数为71%。结论用时间序列分析对手足口病发病情况的拟合结果满意,预测和预警效果良好。     

幼托儿童手足口病发病的ARIMA模型预测

目的探讨ARIMA模型对苏州工业园区托幼机构手足口病发病数预测的可行性。方法对2008年4月—2014年12月苏州工业园区幼托儿童手足口病逐月发病数进行ARIMA模型建模,对2015年各月发病数进行预测,并与实际报告数进行比较。结果 ARIMA(1,1,1)((0,1,1)12模型对2015年各月的幼托儿童手足口病发病数进行预测,预测值符合实际发病数变动趋势。结论使用ARIMA模型能较好地预测幼托机构手足口病发病数,为手足口病防制服务。     

基于时间序列模型的南京市建邺区手足口病发病趋势预测分析

目的采用时间序列分析方法中求和自回归移动平均(autoregressive integrated moving average model,ARIMA)模型对南京市建邺区手足口病月发病数进行预测,为制定手足口病预防控制策略提供参考依据。方法根据2009-2013年全区手足口病月报告发病数时间序列,以2014年1-8月的月发病数作为验证数据,建立辖区手足口病月发病数的ARIMA模型。结果建邺区手足口病月发病率模型为ARIMA(1,0,0)×(0,1,1)12,模型自回归参数AR1=0.569(t=5.030,P0.001),残差分析统计量经检验差异无统计学意义(Ljung-Box Q=13.296,P=0.651)。2014年1-8月实际值与预测值的最大相对误差36.78%,最小相对误差3.57%,平均相对误差16.32%。结论 ARIMA模型可以用于辖区中短期手足口病月发病数的预测,模型预测精度的提高有待数据的不断积累。     

基于ARIMA模型的成都市金牛区手足口病疫情趋势预测和流行预警

目的根据2009-2013年发病例数,采用ARIMA模型建立成都市金牛区手足口病预测模型。方法应用SPSS16.0软件对金牛区2009-2013年手足口病发病数进行ARIMA模型拟合,并通过2014-01/08数据检验预测效果。结果ARIMA(1,0,1)模型能够很好地拟合既往时间段发病序列,能够预测2014-01/08发病数变化趋势。结论 ARIMA模型能够很好跟踪和模拟历史数据作出短期预测,为手足口病早期预警提供数据支持,但存在一定滞后性。     

ARIMA模型在三门峡市手足口病发病预测中的应用

目的 建立以三门峡市手足口病发病数据为基础的整合滑动平均自回归模型(autoregressive integrated moving average model, ARIMA),并利用该模型对三门峡市手足口病的发病数进行预测。 方法 以三门峡市2008年1月—2017年12月的手足口病月发病数据为基础差分平稳化后经过文献查阅和验证建立最优ARIMA,并对2018年1月—12月的手足口病发病数进行预测,通过与实际值的比较评价预测效果。 结果 三门峡市手足口病发病预测模型为ARIMA(1,1,1)×(0,1,1)₁₂ ,模型各项参数均有统计学意义(P<0.001),拟合优度检验BIC=0.287,残差序列为白噪声序列(P=0.10),拟合效果较好。预测了三门峡市2018年1—12月的手足口发病数,并与实际值进行比较,1—2月预测值与实际值符合度较高。 结论 拟合的三门峡市手足口病发病序列模型ARIMA(1,1,1)×(0,1,1)₁₂效果较好,可用于对三门峡市手足口病发病趋势进行短期预测。     

ARIMA乘积季节模型和LSTM深度神经网络对石家庄市手足口病疫情预测效果的比较

  目的   运用自回归移动平均(autoregressive integrated moving average model, ARIMA)乘积季节模型和长期短期记忆网络(long short term memory, LSTM)对石家庄市手足口病(hand, foot and mouth disease, HFMD)的发病趋势进行预测, 为疫情防控工作提供理论依据。   方法   利用Eviews 8.0和python 3.7.1软件对2013年1月-2018年5月石家庄市HFMD逐月发病数据分别建立ARIMA乘积季节模型和LSTM神经网络, 以2018年6月-2019年5月的发病资料检验模型预测精度, 最后应用模型预测2019年6月-2019年8月的月发病数。   结果   最优模型ARIMA(1, 0, 0)×(1, 1, 2)₁₂和LSTM神经网络外推预测2018年6月-12月的MAPE分别为22.14和10.03, 而外推预测2018年6月至2019年5月的MAPE分别为43.84和25.26, 提示LSTM神经网络的拟合效果和预测精度优于ARIMA模型, 预测结果与实际情况基本一致。   结论   LSTM神经网络对石家庄市HFMD发病趋势的拟合度和预测效果较好, 能够为手足口病疫情的预测预警工作提供指导。     

中国2008-2016年手足口病月发病率时间序列分析及预测模型

  目的  通过时间序列分析我国手足口病（hand-foot-mouth disease,HFMD）的发病趋势并构建时间序列预测模型,为制定防控策略提供科学依据。  方法  从公共卫生科学数据中心收集2008-2016年我国HFMD月发病数据,使用Excel 2007建立发病率数据库并进行图表绘制,通过SAS 9.1拟合自回归综合移动模型（autoregressive integrated moving average model,ARIMA model）。以2008年1月-2015年12月HFMD月发病率作为测试集构建时间序列模型,2016年发病率数据作为验证集检验预测效果,做出模型评价,利用该模型对2017年HFMD发病率做出预测。以P<0.05为差异有统计学意义。  结果  最终构建ARIMA（（12）,2,0）疏系数模型,残差为白噪声序列,实际值均落在预测值95% CI内,模型回归系数有统计学意义,预测值与实际值总体吻合程度良好,均方误差平方根为3.6490,平均绝对误差=2.62,平均绝对百分比误差=28.24%。  结论  疏系数模型可较好的拟合我国HFMD发病率的时间序列趋势,对HFMD防控策略的制定有指导意义。     

ARIMA模型在流感样病例预测预警中的应用

目的探讨ARIMA模型在流感样病例预测预警方面的应用,建立流感样病例发病预测模型,并证明模型的适用性。方法对北京市顺义区医院、顺义区妇幼老年保健院2家省级流感样病例监测哨点医院报告的2005年9月～2009年3月流感样病例月报告数资料建立ARIMA模型,2009年4～5月数据验证模型,用Q统计量法对模型适应性进行检验。结果对流感样病例月报告数建立季节模型ARIMA(1,0,0)x(0,1,0)12,统计量Q大于Χ2α(m)证实了该模型的适用性。结论ARIMA模型能够较好应用于流感样病例预测预警,为疫情防控提供科学依据。     

ARIMA模型预测上海市闸北区手足口病发病趋势

目的应用季节性时间序列ARIMA模型建立手足口病发病趋势预测,为预警、早期防控手足口病流行提供依据。方法应用SPSS13.0对2002年4月-2011年3月8年的手足口病逐月发病率建立ARIMA模型。结果通过对参数和模型的拟合优度检验以及残差白噪声序列的检验,最终确定模型为ARIMA(1,0,0)(2,1,0)12,其中AIC=235.855,BIC=245.942,LB统计量检验残差序列为白噪声序列。结论模型能够有效地预测手足口病发病趋势,对预警预测产生积极的指导作用。     

应用健康信念模型分析社会心理因素与手足口病预防行为的关系

目的应用健康信念模型（HBM）分析社会心理因素与手足口病预防行为的关系。方法采用分层抽样方法对天津市塘沽地区幼儿园中530名婴幼儿家长进行问卷调查,采用SPSS13．0进行统计分析,对原有的HBM进行校正,应用结构方程方法进行分析。结果对手足口病知觉到严重性和到易感性有较强信念的人为46．92％和30．82％。手足口病相关知识得分低的人群的预防行为得分低于手足口病相关知识得分高的人群,差异有统计学意义（x2=8．24,P〈0．05）。结构方程分析结果显示,户籍（t=-1．962）、手足I：1病相关知识（t=2．020）和知觉到障碍（t=-22．220）对预防手足口病预防行为有直接效应;家庭月收入（t=2．872）和手足口病相关知识（t=1．990）对预防行为有间接效应;手足口病相关知识（t=2．866）和知觉到障碍（t=-22．220）对预防行为有总效应,均有统计学意义（P〈0．05）。结论校正后的健康信念模型能够成功地解释社会心理因素与手足口病预防行为的关系。良好的个人预防行为可以通过健康教育的形式,建立健康信念来实现。     

ＡＲＩＭＡ 模型在婴儿死亡率预测中的应用

摘要：目的　探讨应用自回归滑动平均混合模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄ ｍｏｖｉｎｇａｖｅｒａｇｅ,ＡＲＩＭＡ） 预
测婴儿死亡率的可行性。方法　运用ＳＰＳＳ１６．０ 对１９９１－２０１２ 年山西省妇幼卫生年报婴儿死亡率建立
ＡＲＩＭＡ 模型,用所建模型比较预测值与实际值差异,并预测２０１３－２０１５年山西省婴儿死亡率。结果　模
型ＡＲＩＭＡ （１,２,０）较好地拟合了既往时间段的婴儿死亡率的时间序列, 模型自回归参数ＡＲ１＝
－０．７５４,犘＜０．０１,有统计学意义, 赤池信息准则（ＡＩＣ） ＝６８．２１３, 许瓦兹贝叶斯准则（ＳＢＣ） ＝
７０．２０４,模型残差为白噪声（犘＞０．０５）, 模型数学函数式为＾ 犢狋＝０．０６７＋１．２４６犢狋－１ ＋０．５０８犢狋－２ －
０．７５４犢狋－３,利用模型预测２０１３－２０１５ 年婴儿死亡率分别为４．７７‰、４．３２‰、３．９６‰。结论　ＡＲＩＭＡ 模
型能够较好地拟合婴儿死亡率的时间变化趋势,并用于短期预测未来婴儿死亡率。
关键词：婴儿死亡率;时间序列;ＡＲＩＭＡ 模型
中图分类号：Ｒ１９５．１　　文献标识码：Ａ　　文章编号：１００９ ６６３９ （２０１４）０３ ０２５６ ０４     

ARIMA模型预测甲肝发病

目的探讨ARIMA模型在甲肝预测方面的应用,建立甲肝发病预测模型,并证明模型的适用性。方法利用甘肃省1990-01/2007-12甲肝发病数资料,通过SPSS Expert Modeler拟合ARIMA模型,用Q统计量法对模型适应性进行检验。结果建立ARIMA（0,1,1）（0,1,1）模型,模型统计量Q=20.637,P〉0.05,证实了该模型的适用性。结论ARIMA模型可用于甲肝发病的动态分析和短期预测。